Linear Multidimensional Regression with Interactive Fixed-Effects

Este artículo presenta un estimador de regresión multidimensional con efectos fijos interactivos no observados, que utiliza un enfoque ortogonal de Neyman y una transformación ponderada para lograr consistencia paramétrica y normalidad asintótica, aplicándose posteriormente a la estimación de la elasticidad de la demanda de cerveza.

Lo esencial

Imagina que estás intentando entender por qué la gente compra más o menos cerveza en diferentes tiendas, en diferentes momentos y de diferentes marcas. Tienes una montaña de datos: productos, tiendas y semanas. Pero hay un problema: hay "fantasmas" invisibles que afectan tus datos.

Por ejemplo, un gran evento deportivo (como las finales de la NBA) podría cambiar el gusto de la gente por la cerveza en ciertas tiendas y en ciertas semanas, pero tú no tienes un registro de ese evento en tu base de datos. Estos "fantasmas" son lo que los economistas llaman efectos fijos interactivos.

Aquí te explico qué hace este paper (artículo científico) de Hugo Freeman, usando analogías sencillas:

1. El Problema: Los Fantasmas que se Mezclan

Imagina que tienes una foto de una fiesta (tus datos). Quieres saber cuánta cerveza se vendió por precio. Pero en la foto hay gente bailando, luces parpadeando y música fuerte (los "fantasmas" o efectos fijos).

• El método antiguo (Efectos aditivos): Antes, los economistas intentaban quitar los fantasmas quitando el promedio de la música, el promedio de las luces y el promedio de la gente por separado. Pero esto falla si la música y las luces se mezclan de forma compleja (ej. la música cambia según qué zona de la fiesta estés). Es como intentar limpiar una mancha de aceite con agua: no funciona bien porque la mancha es interactiva.
• El desafío: Cuando tienes datos de tres dimensiones (producto, tienda, tiempo), estos fantasmas se vuelven muy complicados. Si intentas usar los métodos tradicionales, tus resultados pueden ser muy lentos para converger (llegar a la verdad) o simplemente incorrectos.

2. La Solución: El "Filtro Inteligente" (Transformación Ponderada)

El autor propone una nueva herramienta, una especie de "filtro inteligente" llamado transformación ponderada dentro (weighted-within transformation).

• La analogía del filtro de café: Imagina que tienes un café muy sucio con granos de tierra (los datos) y lodo pegajoso (los fantasmas).
  • El método antiguo era como intentar colar el café con un colador de agujeros grandes: dejaba pasar mucha tierra.
  • El nuevo método de Freeman es como un colador que se adapta a la forma de los granos. En lugar de promediar todo por igual (como un colador normal), este filtro "pesa" los datos. Si dos tiendas se comportan de manera muy similar (son "vecinas" en el mundo de los datos), el filtro las trata como un grupo y les quita el "lodo" (los efectos fijos) de manera más precisa.
• ¿Cómo funciona? En lugar de decir "quitemos el promedio de todas las tiendas", el filtro dice: "quitemos el promedio de las tiendas que se parecen a esta". Esto permite eliminar esos "fantasmas" complejos que interactúan entre producto, tienda y tiempo, dejando solo la relación real entre el precio y la cantidad.

3. El Truco de Magia: "Desdoblamiento" y "Doble Corrección"

El paper tiene dos pasos principales, como una receta de cocina:

1. El Paso 1 (El Esbozo Rápido): Primero, el autor toma esos datos complejos de 3D (o más) y los "aplana" en una hoja de cálculo de 2D (como convertir un cubo de Rubik en una hoja de papel). Usa métodos viejos y conocidos para hacer una estimación rápida. Es como hacer un boceto rápido de un dibujo. No es perfecto y es un poco borroso, pero te da una idea general.
2. El Paso 2 (El Pulido Fino): Aquí viene la magia. Usa ese boceto rápido para crear el "filtro inteligente" (el filtro ponderado) que mencioné antes. Luego, aplica una técnica llamada "doble corrección" (double debias).
   • Analogía: Imagina que estás ajustando el enfoque de una cámara. Primero tomas una foto borrosa (Paso 1). Luego, usas esa foto para entender cómo está desenfocada la lente, y ajustas la lente (Paso 2) para tomar una foto nítida. La "doble corrección" asegura que los errores de la primera foto no arruinen la segunda.

4. El Resultado: Precisión de Laboratorio

Gracias a este método, el autor logra dos cosas increíbles:

• Velocidad: Sus estimaciones convergen (llegan a la verdad) mucho más rápido que los métodos anteriores. Es como pasar de caminar a correr.
• Confianza: Los resultados son estadísticamente sólidos. Puedes decir con mucha seguridad: "La cerveza es elástica" (si sube el precio, la gente deja de comprarla mucho).

5. La Prueba Real: La Cerveza en Chicago

Para demostrar que su método funciona, el autor lo aplicó a datos reales de supermercados en Chicago (1991-1995).

• El problema: Querían saber cuánto bajaba la venta de cerveza si subía el precio.
• El resultado: Los métodos antiguos daban resultados muy confusos o con márgenes de error gigantes (como decir que la elasticidad es -3.39 pero con un error tan grande que podría ser -10 o +5).
• La victoria de Freeman: Su nuevo método dio una respuesta muy clara y precisa: la elasticidad es alrededor de -3.12. Esto significa que si el precio sube un 1%, la demanda baja un 3.12%. Además, el margen de error era muy pequeño, lo que da mucha confianza a los economistas y políticos.

En Resumen

Este paper es como inventar un nuevo tipo de gafas para los economistas. Antes, al mirar datos complejos de múltiples dimensiones (tiempo, lugar, producto), veían borroso porque no podían quitar los "fantasmas" (factores no observados). Ahora, con las gafas de "filtro ponderado inteligente", pueden ver la relación real entre las variables con una claridad y precisión que antes era imposible.

Es una herramienta poderosa para entender el mundo real, donde las cosas rara vez son simples y a menudo interactúan de formas complejas.

Resumen técnico

Resumen Técnico: Regresión Lineal Multidimensional con Efectos Fijos Interactivos

1. Planteamiento del Problema

El artículo aborda el desafío de estimar modelos de regresión lineal utilizando datos de panel multidimensionales (con tres o más dimensiones, denotados como $i, j, t, \dots$), en presencia de efectos fijos interactivos no observados.

• Limitación de los efectos fijos aditivos: En datos multidimensionales, los efectos fijos aditivos tradicionales (ej. $a_i + b_j + c_t$) solo pueden controlar la heterogeneidad no observada a lo largo de subconjuntos de dimensiones. No logran capturar la heterogeneidad que interactúa simultáneamente a través de todas las dimensiones (ej. choques específicos de producto-tienda-tiempo).
• El modelo: El autor considera un modelo donde el término de error interactivo tiene una estructura de rango multilinear:
  $$Y_{ijt} = X'_{ijt}\beta + \sum_{\ell=1}^L \lambda_{i\ell}\delta_{j\ell}\gamma_{t\ell} + \varepsilon_{ijt}$$
  Donde el término interactivo $\sum \lambda \delta \gamma$ es no observado y puede estar correlacionado con los regresores $X$.
• Dificultades técnicas: La aproximación directa de modelos de factores a tensores de orden superior ($d \ge 3$) enfrenta problemas de "mal planteamiento" (ill-posedness) en la aproximación de rango bajo, a diferencia del caso bidimensional. Además, los métodos existentes suelen tener tasas de convergencia lentas o requieren suposiciones fuertes sobre la dimensionalidad de los efectos fijos en todas las direcciones.

2. Metodología Propuesta

El autor propone un estimador de dos pasos que combina métodos de factores tradicionales con una nueva transformación de "dentro ponderado" (weighted-within), utilizando un enfoque ortogonal de Neyman para la inferencia.

Paso 1: Estimación Preliminar (Aproximación de Matriz)

• Se transforma el problema multidimensional en un problema de panel bidimensional "aplanando" (flattening) el tensor en una dimensión específica (ej. convirtiendo el tensor en una matriz donde las filas son productos y las columnas son la combinación de tiendas y tiempo).
• Se aplica el método de factores de Bai (2009) para obtener estimaciones preliminales de los efectos fijos.
• Resultado: Este paso proporciona estimaciones consistentes, pero con una tasa de convergencia lenta (dependiendo de la dimensión aplanada y la estructura de rango). Sin embargo, son suficientes para construir proxies de los efectos fijos.

Paso 2: Transformación de "Dentro Ponderado" (Weighted-Within)

• Se introduce una transformación novedosa que generaliza la transformación "dentro" (within-transformation) estándar. En lugar de restar medias aritméticas simples, se restan medias ponderadas.
• Mecanismo: Se utilizan núcleos (kernels) basados en la distancia entre las estimaciones preliminares de los efectos fijos (proxies) para definir pesos.
  $$\check{Y}_{ijt} = Y_{ijt} - \bar{Y}_{i^*jt} - \bar{Y}_{ij^*t} - \dots$$
  Donde las barras con asteriscos denotan promedios ponderados por la similitud de los efectos fijos estimados.
• Objetivo: Esta transformación proyecta y elimina los efectos fijos interactivos de manera robusta, incluso si no se conoce exactamente qué dimensiones tienen baja dimensionalidad (rango bajo).

Paso 3: Estimador Corregido de Sesgo (Inference Corrected)

• Para lograr la normalidad asintótica y la tasa de convergencia paramétrica ($\sqrt{N}$), se utiliza un enfoque de doble corrección de sesgo (inspirado en Chernozhukov et al., 2022).
• Se construye un estimador que es ortogonal a los errores en la estimación de los efectos fijos (propiedad de ortogonalidad de Neyman). Esto permite que el error en la estimación de los efectos fijos (que puede ser lento) no afecte la tasa de convergencia del coeficiente de interés $\beta$.

3. Contribuciones Clave

1. Generalización a Dimensiones Superiores: Demuestra que los modelos de efectos fijos interactivos pueden extenderse a datos con $d \ge 3$ dimensiones, superando las limitaciones de los efectos fijos aditivos.
2. Transformación Ponderada Novedosa: Introduce una transformación "weighted-within" que proyecta la heterogeneidad no observada sin requerir conocer a priori qué subconjunto de dimensiones tiene efectos de baja dimensión. Es robusta a la especificación incorrecta del rango multilinear.
3. Tasa de Convergencia Paramétrica: A diferencia de los métodos de factores aplicados directamente a tensores (que sufren de sobreparametrización y convergencia lenta), la combinación de la transformación ponderada con la corrección de sesgo logra la tasa de convergencia paramétrica y normalidad asintótica para $\beta$.
4. Inferencia Válida: Proporciona condiciones teóricas y un procedimiento para realizar inferencia estadística válida (intervalos de confianza, pruebas de hipótesis) en este contexto complejo.

4. Resultados Principales

Resultados Teóricos:

• Proposición 1: Establece que los métodos de factores estándar aplicados a una dimensión aplanada ofrecen consistencia, pero con tasas lentas si el rango multilinear no es bajo en esa dimensión específica.
• Proposición 2: Demuestra que el estimador ponderado converge a una tasa determinada por la precisión de los proxies de los efectos fijos.
• Teoremas 1-3: Establecen la distribución asintótica normal del estimador corregido ($\hat{\beta}_{IC}$) bajo condiciones de homocedasticidad, heterocedasticidad y correlación en las dimensiones. Se requiere que los errores de estimación de los efectos fijos decaigan suficientemente rápido (posiblemente mediante división de muestras o sample splitting).

Resultados Empíricos (Demanda de Cerveza):

• Datos: Se utiliza el conjunto de datos de Dominick's (Chicago, 1991-1995) con dimensiones: Producto ($i$), Tienda ($j$) y Quincena ($t$).
• Comparación:
  • Los estimadores de Mínimos Cuadrados Ordinarios (OLS) y Efectos Fijos Aditivos fallan o producen estimaciones sesgadas (incluso positivas para la elasticidad precio, lo cual es teóricamente incorrecto).
  • El método de Instrumentales (IV) con precio de cebada produce una elasticidad negativa (-3.39) pero con errores estándar muy grandes debido a la pérdida de grados de libertad y la variabilidad del instrumento.
  • Los Modelos de Factores son extremadamente sensibles a cómo se organiza el tensor (qué dimensión se elige como filas). Las estimaciones varían drásticamente (-2.78 a -0.03) dependiendo de la especificación.
  • El Estimador "Weighted-Within" de este paper produce una elasticidad de -3.12 con errores estándar significativamente más pequeños y mayor precisión que el IV, y resultados robustos independientemente de la organización de los datos.

Simulaciones:

• Las simulaciones confirman que los métodos de factores bidimensionales fallan cuando el rango multilinear es heterogéneo (bajo en una dimensión, alto en otras), mostrando un sesgo alto si se elige la dimensión incorrecta.
• El estimador ponderado mantiene un sesgo cercano a cero y una cobertura de intervalos de confianza cercana al nivel nominal, demostrando su robustez frente a la especificación del modelo.

5. Significado e Impacto

Este trabajo es fundamental para la econometría moderna de datos masivos (Big Data) que poseen estructuras multidimensionales (ej. datos de comercio electrónico, redes de transporte, datos financieros de alta frecuencia).

• Superación de la "Maldición de la Dimensionalidad": Ofrece una solución práctica para controlar la heterogeneidad no observada en tensores sin necesidad de especificar modelos de factores complejos para cada dimensión o conocer el rango exacto de los efectos.
• Robustez: Proporciona una herramienta que es menos sensible a la especificación del modelo que los enfoques basados puramente en la descomposición de tensores o factores.
• Aplicabilidad: Permite a los investigadores estimar parámetros estructurales (como elasticidades de demanda) con mayor precisión en entornos donde los choques de oferta y demanda interactúan de manera compleja a través de múltiples dimensiones (producto, mercado, tiempo), algo que los modelos aditivos tradicionales no pueden capturar.

En resumen, el paper introduce un marco teórico y un estimador práctico que permite realizar inferencia causal robusta en datos de panel multidimensionales con efectos fijos interactivos, llenando un vacío importante en la literatura econométrica actual.